TGTGInsightтелеграм анализLIVE / telegram public index
← Такты, стеки, два колеса

TGINSIGHT SIMILAR POSTS

Намери подобно съдържание

Изходен канал @clockstackwheels · Post #841 · 2.07

Люди в интернете массово хоронят Твиттер. Там Илон Маск сначала закрыл твиты от незарегистрированных юзеров, а теперь вообще ввел лимиты на чтение: 600 записей в день для обычных аккаунтов и 6000 записей в день для платных. Кажется, вообще нигде нет лимитов на чтение, потому что это ограничение для собственного же способа заработка на рекламе. Соцсети наоборот стараются, чтобы люди подсаживались на них и всё больше крутили ленту, свайпали сторисы, листали клипы. Если любое событие прервет мою прокрутку ленты, то я с высокой вероятностью перестану крутить и пойду заниматься чем-то более полезным. И всё-таки, практика показывает, что значительная часть активной аудитории готова соглашаться на любые неудобства и терпеть любые унижения. Уровень привыкания к конкретным средам и интерфейсам у людей очень высокий, плюс инертность социального графа в целом. Этим, в частности, объясняется, что у Фейсбука есть пользователи, несмотря на худший в мире UI/UX, и у Инстаграма в России есть пользователи даже после всех блокировок, и много всего удивительного. Люди всерьез держат ВПН постоянным или даже включают каждый раз ради Инсты. Да чего Инста: даже какой-нибудь забитый визуальным говном неадаптированный под телефоны форум типа "ФишкиНет" с дизайном из начала двухтысячных — тоже имеет устойчивую аудиторию. Так что, я бы Твиттер не хоронил. Уверен, Илон Маск может делать с любителями Твиттера всё, что захочет, всё равно найдётся немало тех, кто будет продолжать туда писать и читать, вести там свою онлайн-жизнь, строить карьеру блогера и так далее. По этому же принципу Дуров может добавить в Телегу какую-нибудь не относящуюся к мессенджерам попсовую херню для детишек, и мы всё равно проглотим и никуда не уйдём. Oh, wait... #web

Hashtags

Резултати

Намерени 3 подобни публикации

Търсене: #quantization

当前筛选 #quantization清除筛选
GitHub Trends

@githubtrending · Post #14747 · 25.05.2025 г., 11:30

#python#deep_learning#intel#machine_learning#neural_network#pytorch#quantization Intel Extension for PyTorch boosts the speed of PyTorch on Intel hardware, including both CPUs and GPUs, by using special features like AVX-512, AMX, and XMX for faster calculations[5][2][4]. It supports many popular large language models (LLMs) such as Llama, Qwen, Phi, and DeepSeek, offering optimizations for different data types and easy GPU acceleration. This means you can run advanced AI models much faster and more efficiently on your Intel computer, with simple setup and support for both ready-made and custom models. https://github.com/intel/intel-extension-for-pytorch

GitHub Trends

@githubtrending · Post #15091 · 24.08.2025 г., 11:30

#python#comfyui#diffusion#flux#genai#mlsys#quantization Nunchaku is a fast and efficient engine that runs 4-bit neural networks using a special method called SVDQuant, which compresses models to use less memory and speed up processing by 2 to 5 times compared to older methods. It supports advanced AI models for tasks like high-quality text-to-image generation and image editing, working best on modern NVIDIA GPUs. You can easily install and use it with ComfyUI, and it has active community support on Slack, Discord, and WeChat. This means you can generate or edit images quickly with less computing power, saving time and resources. It also offers tutorials and example workflows to help you get started smoothly. https://github.com/nunchaku-tech/ComfyUI-nunchaku

GitHub Trends

@githubtrending · Post #15385 · 02.01.2026 г., 12:30

#python#deep_learning#inference#openai#quantization#speech_recognition#speech_to_text#transformer#whisper Faster-Whisper is a fast version of OpenAI's Whisper that transcribes audio up to 4x quicker with the same accuracy, using less memory on CPU or GPU—benchmarks show it beats original Whisper (e.g., 1m03s vs 2m23s for 13-min audio on GPU). Install via `pip install faster-whisper`, no FFmpeg needed, and use simple Python code like `WhisperModel("large-v3").transcribe("audio.mp3")` for segments with timestamps. You benefit by getting quick, efficient speech-to-text for real-time apps, saving time and resources on long files or batches. https://github.com/SYSTRAN/faster-whisper